我们的专业付出，值得您的永久信赖！为您量身定制，信誉第一！

其次，IBM正在建立研究中心，开发下一代AI硬件，期待扩大纳米技术的领先研究。IBMRearchAI硬件中心的合作伙伴包括半导体只有产业链上的公司，包括IBM生产和研究领域的战略合作伙伴三星，网络解决方案公司Mellanox出版Technogies，获得建模和原型设计解决方案软件平台提供商Synopsys、半导体设备公司AppliedMaterials和Tokyoelimited。与纽约州奥尔巴尼纽约州立大学理工学院主办方合作，开展开拓的基础设施反对和学术合作，与附近伦斯勒理工学院(RPI)计算创造中心(CCI)合作，积极开展人工智能和计算学术合作。新的处理硬件IBM研究院的半导体和人工智能硬件副社长Mukeshkhare应对，现在的机械学习允许用于新的处理硬件，例如数字AI核心和近似计算带模拟核心的存储器计算优化材料的模拟核心图1:IBM带ResearchAI硬件中心制作的路线图，今后10年内将AI计算的性能效率提高1000倍，获得数字AI核心和模拟AI核心管道。

MukeshKhare提到将深度神经网络(DNN)构成模拟交叉点阵列(模拟AI核心)。他们在阵列交叉点具有非易失性存储器材料以存储权重。DNN计算中的数值权重提高训练中决定的正确性。

这些可以用交叉点PCM阵列构建，需要主机服务器CPU介入，获得存储器计算，需要暂时存储数据。与英特尔XPointSSD和DIMM等数字阵列相比，这是模拟阵列。PCM沿非晶体和晶体之间的8级梯度记录神经元的权重。

每一步的电导或阻力可以通过电脉冲转换。这8级在DNN计算中获得8位精度。图2:非易失性存储器的交叉开关阵列可以在数据方位继续计算，加快几乎相连的神经网络训练。模拟存储芯片内部的计算在IBM的研究报告书中认为模拟非易失性存储器(NVM)可以有效加快偏移传播(Backpropagation)算法是最近AI技术变革的核心。

这些内存允许基础物理学在这些算法中使用的乘法-加运算在模拟域中，在权重数据的方向上分段化。与大型电路相加，数字相加不同，只需将小电流通过电阻连接到导线上，连接多条导线，积存电流。

这样我们就可以不按顺序继续执行，，而不是依次进行。也不是在数字存储芯片和处理芯片之间传输数字数据，而是在模拟存储芯片中继续计算。图3:我们的模拟AI核是性能效率存储器计算方法的一部分，通过避免与存储器之间的数据传输，突破了所谓冯诺伊曼结构的瓶颈，提高了性能。

深度神经网络构成模拟交叉点阵列，转换新的非易失性材料特性，在交叉点存储网络参数。(公共编号:)编译器、viablocksandfiles、ibmblog版权文章允许禁止发布。下一篇文章发表了注意事项。

本文来源：必定赢-www.bocoranhk.com